Var CFO:er bör börja med AI – och vad de bör undvika

Efter att ha haft olika ledande roller inom ekonomi grundade Mitch Petracca Forward Firm, en distansbaserad CPA- och rådgivningstjänst. När AI sedan undanröjde begränsningarna i hans arbetsflöden byggde han Finsider.ai för att stödja sin verksamhetsmodell.

Vi pratade med Mitch om hur AI förändrar ekonomiprofessionellas arbete. Han berättade var man bör börja och var försiktighet krävs.

När AI-omvandlingen tog fart

Jag heter Mitch Petracca. Jag är CPA, verkställande delägare på Forward Firm och nyligen även grundare av Finsider.ai.

Den korta versionen av min resa är att jag började min karriär på PwC och snabbt lade märke till hur mycket tid även de främsta teamen lade på att bearbeta data innan de kunde ge råd. Rensning, avstämning och återskapande av samma analyser från grunden – vid varje uppdrag. Tekniken kunde inte lösa detta då; det var helt enkelt kostnaden för att bedriva verksamhet.

När jag slutade och byggde Forward Firm bestämde jag mig för att driva en annan typ av företag. Distansbaserat från grunden, slimmat och helt byggt på hävstångseffekt. Vi arbetar med transaktionsrådgivning, skatt, bokföring och cirka 50 uppdrag inom resultatanalys per år. Vi uppnår detta utan den bemanning som ett traditionellt företag skulle behöva genom att systematisera allt på ett konsekvent sätt.

Men efter ungefär tre år stötte jag hela tiden på samma problem: Marknadens verktyg var inte utformade för praktiker som oss. De var avsedda för interna FP&A-team. Därför byggde jag verktyget som jag själv hade önskat att jag hade. Det blev Finsider, en AI-driven plattform för finansiell intelligens som är utformad för att omvandla rörig kunddata till ett rådgivningsklart datapaket på en bråkdel av tiden.

Det var då AI-omvandlingen tog fart för mig. Den var inte abstrakt. Den kom ur att se timmar försvinna på arbete som ett väl utformat system kunde slutföra på några minuter.

Så kommer du igång med AI

AI är en kraftmultiplikator, inte en omvandlingsstrategi i sig. Den gör det du redan har snabbare, mer grundligt och mer konsekvent. Om dina processer är väl utformade förstärker AI resultatet. Om dina processer är bristfälliga skalar AI upp det bristfälliga resultatet snabbare och i större volym.

Därför bör den första frågan en CFO ställer inte vara vilket AI-verktyg som ska användas. Den bör vara: "Vad exakt försöker jag göra snabbare och bättre, och är det värt att göra den saken snabbare och bättre?" En CFO som automatiserar en rapporteringsprocess som ingen läser omvandlar inte ekonomifunktionen. De automatiserar brus.

Detta är viktigt eftersom de flesta AI-initiativ inom ekonomi misslyckas, inte för att tekniken är fel, utan för att problemet definierades felaktigt. Tekniken fungerade exakt som den var utformad. Den optimerade bara fel sak. Innan du börjar bör du definiera vad "bättre" innebär i ett tal: cykeltid, transaktionstäckning, antal medarbetare per uppdrag eller antal dagar till stängning. Om du inte kan ange vilket mått du vill förändra har du ännu inget initiativ. Du har ett verktyg som letar efter ett problem.

När du har definierat detta börjar du med ett arbetsflöde, bevisar det helt och utökar sedan. När du ser potentialen är det frestande att bygga allt från dag ett. Det försämrar produktionsberedskapen, eftersom allt tar längre tid när du bygger över en alltför stor yta på en gång. Välj något som har ett tydligt rätt svar, en mätbar tidskostnad och en uppenbar bevispunkt. Lansera det, lev med det och gå sedan vidare till nästa arbetsflöde.

Det gjorde inte jag, och kostnaden blev förtroende.

Varför ekonomichefer bör automatisera 80 % och behålla 20 % mänskligt

När det gäller vad människor respektive AI bör göra ser jag det som en hierarki. Kontrollarbete utgör botten, analys utgör mitten och omdöme utgör toppen. AI ansvarar för botten och stöder mitten, men rör inte toppen.

AI hanterar alltså transaktionsklassificering, kontoavstämning, avvikelseanalys, flaggning av avvikelser i hela huvudboken, KPI-rapportering, åldersanalys av kundfordringar och leverantörsskulder samt det första datapaketet. Dessa aktiviteter prioriterar snabbhet och täckning framför tolkning. En maskin kan granska 100 procent av transaktionerna mot 300 flaggor snabbare och mer konsekvent än någon medarbetare.

Vi använder också AI i stor utsträckning i företagets operativa lager: mötesanteckningar och kundsammanfattningar från varje samtal, daglig bokföringsklassificering med högst 48 timmar för okategoriserade poster samt en hälsopoäng för varje QBO-fil innan vi påbörjar ett QoE-uppdrag. Detta är automatisering av arbetsflöden, inte ekonomiska beslut, men det skapar förutsättningar för bättre beslut.

Uttryckligen mänskliga uppgifter omfattar varje QoE-slutsats, varje skattegodkännande, varje bedömning av återläggningar och varje kundrekommendation. CPA-licensen är knuten till dessa resultat. AI kan ta fram data, flagga avvikelser och genomföra den första granskningen. Jag avgör vad det betyder och vad som ska göras åt det.

Samma logik gäller för prissättning och affärsstrukturering. AI kan ge mig en jämförelsegrupp, ett marginalriktvärde och en avvikelseanalys. Men att avgöra om en kunds EBITDA-återläggning kan försvaras inför ett sofistikerat QoE-team på köparsidan kräver sammanhang, erfarenhet och ansvarstagande. Det överlåts aldrig till AI.

Min arbetsprincip är: Automatisera de 80 procent som handlar om bekräftelse och mönsterigenkänning. Skydda de 20 procent som handlar om bedömningar och ansvar. Att vända på detta är antingen ineffektivt eller farligt.

Fördelarna med AI-integration

Med AI minskade vi tiden per uppdrag med 40 procent på Forward Firm. Vårt slimmade team genomför omkring 50 QoE-uppdrag per år, och vi kortade leveranstiden från 3–4 veckor till 2–3 veckor. Vårt kortsiktiga mål är 1–2 veckor. Det är ingen prognos; det är vår utveckling med de verktyg vi använder i dag.

Vi ökade transaktionstäckningen från branschstandarden på 5–10 procent till 100 procent. Vi skannar hela huvudboken mot omkring 300 nyckelordsflaggor i varje uppdrag. Detta förändrar kvaliteten på arbetsprodukten, inte bara hastigheten.

COA-mappning, det vill säga att standardisera en kunds kontoplan mot vår modell, uppnår automatiskt 95 procents träffsäkerhet. I början av varje nytt uppdrag innebar detta en hel dags manuellt arbete. Nu ägnas en eftermiddag åt att granska de 5 procent som systemet flaggar för mänsklig bedömning.

Var AI behöver mänskligt stöd

Mitch upprepar

Att få erfarna ekonomer att förlita sig på AI-resultat utan att utföra manuella kontroller är ett förändringsledningsproblem, inte ett mjukvaruproblem.

Men allt är inte positivt. Här är några områden där AI:s påverkan har varit mindre än förväntat.

• Datakvalitet: Detta är den viktigaste variabeln. AI är bara så bra som det du matar in. Vi har sett kundböcker med huvudbokskonton som kodats så inkonsekvent att resultatet från den första granskningen kräver omfattande mänskliga korrigeringar innan det blir användbart. Du kan inte lösa problemet med felaktig indata genom en bättre algoritm.
• Kalibrering av förtroende: Att få erfarna ekonomer att förlita sig på AI-resultat utan att utföra manuella kontroller är ett förändringsledningsproblem, inte ett mjukvaruproblem. Det tog längre tid än själva utvecklingen. Om jag hade vetat detta skulle jag ha utformat införandet så att förtroende byggdes upp genom små, verifierbara steg, i stället för att införa hela funktionaliteten och förvänta mig att beteendet skulle följa efter. Beteende följer bevis.
• Täckningsluckor: AI flaggar korrekt vissa kategorier — komplexa koncerninterna transaktioner, intäktsredovisning som avviker från standard och vissa skattejusteringar — men kan inte tala om för dig vad du ska göra med dem. Senior bedömning är fortfarande nödvändig. Systemet synliggör frågan; CPA:n besvarar den.
• Framåtblickande analys: AI har varit omvälvande för historisk analys. Avstämning, avvikelseanalys, avvikelsedetektering och datapaket i ett första steg. Allt detta fungerar. Inom prognostisering har det inte levererat som jag förväntade mig. Att bygga en försvarbar 13-veckors likviditetsprognos, en intäktsprognos som skiljer pris från volym och en scenariomodell som en CFO eller långivare kan förlita sig på kräver fortfarande omfattande mänsklig konstruktion. Verktyg kan synliggöra historiska drivkrafter. De producerar ännu inte användbara framåtblickande modeller.
• Skriftliga berättelser: En QoE-rapport är inte bara ett datapaket. Den innehåller ett slutsatsavsnitt, en beskrivning av resultaten och en sammanfattning för ledningen som en köpare, köparens juridiska ombud och köparens långivare kommer att läsa noggrant. AI kan utarbeta en disposition. Det kan strukturera ett avsnitt. Men kvaliteten på de skriftliga texterna från AI-verktyg är ännu inte på en nivå där jag kan lämna över dem till en motpart utan omfattande redigering. Jag hade förväntat mig större framsteg vid det här laget.

Ett QoE-arbetsflöde från verkligheten

I årtionden har finansiella kontroller och transaktionstester byggt på antagandet att ett väl utformat urval i praktiken är nästan lika bra som full täckning. Branschstandarden för en QoE är 5 till 10 procent av transaktionerna. Detta antagande var inte godtyckligt. Det drevs av en faktisk begränsning: full täckning gick inte att uppnå inom rimlig tid. Därför utvecklade yrket en metodik kring denna begränsning och kallade den bästa praxis. AI undanröjer begränsningen.

Jag kommer att gå igenom ett QoE-uppdrag från det ögonblick då en affär kommer in till det ögonblick då vi levererar rapporten. Detta är arbetsflödet så som det fungerar idag.

Innan vi tar oss an uppdraget. När en ny kund kommer in kör vi först deras QBO-fil genom CheckTheLevel, ett verktyg som bedömer hälsan i en QuickBooks-fil på en skala från 0 till 100. Det flaggar dubbla leverantörer, felkonterade konton, saknade bankkopplingar och inkonsekvenser i klassificeringen. Poängen visar hur mycket manuell rensning vi behöver budgetera för och var vi ska fokusera vårt första samtal med kunden. Vi undviker överraskningar två veckor in i arbetet.

Dataimport. Vi använder vårt verktyg för att ansluta till huvudboken och banken. Det importerar data via Plaid och Railz, och synkroniseringen tar ungefär fem minuter. Plattformen mappar automatiskt kontoplanen till vår standardiserade modell, med 95 procents träffsäkerhet. Den flaggar de 5 procent som den inte kan mappa med tillräcklig säkerhet för mänsklig granskning.

Första analysen. När data har lästs in körs tre processer automatiskt. För det första kassakontrollen: huvudboken stäms av mot banken, för varje konto och varje period. För det andra en fullständig genomsökning av huvudboken: 300 nyckelordsflaggor över 100 procent av transaktionerna. För det tredje flödesanalys: variation period för period, där förändringar i procent och dollarbelopp visas automatiskt.

Lagret för mänsklig granskning. CPA-arbetet börjar här. Jag granskar de flaggade transaktionerna, flödesavvikelserna och COA-undantagen. Jag formulerar tesen för tilläggsposterna: identifierar vilka poster i denna resultaträkning som är engångsposter, privata för ägaren eller icke-operativa, och avgör om jag kan försvara var och en inför ett sofistikerat QoE-team på köparsidan. Plattformen tillhandahåller inte den bedömningen. Plattformen ger mig en strukturerad och prioriterad uppsättning frågor. Jag besvarar dem.

Samtalsfrekvens. Fathom spelar in varje kundsamtal, ansluter automatiskt, transkriberar och skapar en sammanfattning. Inom 24 timmar efter varje kundsamtal finns en skriftlig sammanfattning i filen. Inga anteckningar faller mellan stolarna. Åtgärdspunkterna är tydliga och tilldelade.

Leverans. Vi tillhandahåller en QoE-rapport med revisionsvänliga arbetsdokument, spårbarhet från källa till slutsats och en sammanfattning för ledningen som skrivs av uppdragsteamet, inte genereras av AI.

Den röda tråden: AI ansvarar för dataimport, standardisering, bekräftelse och mönsteridentifiering. CPA:n ansvarar för varje slutsats. Arbetsflödet säkerställer att jag, när jag fattar ett professionellt beslut, har bättre information, snabbare och med större täckning än i någon tidigare process jag har genomfört.

Varför CFO:er bör utforma om ekonomifunktionen för löpande redovisning

Mitch upprepar

Omgestaltningen kräver inte imponerande verktyg. Den kräver tre beslut: definiera en standard för klassificeringsfördröjning och håll teamet ansvarigt, införa en avstämningskontroll som körs efter varje synkronisering i stället för vid periodens slut, samt flytta granskningen av avvikelser från en schemalagd till en utlösningsbaserad aktivitet.

Jag skulle framför allt förespråka att själva bokslutscykeln utformas om. Inte bara en del av den, utan hela dess arkitektur.

De flesta ekonomiorganisationer arbetar fortfarande med redovisning som en batchprocess. Transaktioner samlas på hög. Vid månadens slut genomför ett team avstämning, granskar klassificeringen, analyserar avvikelser och rapporterar. Bokslutet tar dagar, ibland veckor, och ledningen läser en ögonblicksbild som redan är inaktuell. Begränsningar kopplade till mänsklig arbetstakt utformade denna arkitektur. Begränsningen är borta, men arkitekturen finns kvar.

Löpande redovisning är omgestaltningen. I stället för att samla och bearbeta transaktioner i bulk klassificerar och stämmer du av dem i realtid, flaggar avvikelser när de uppstår och upprätthåller en aktuell, snarare än periodisk, finansiell ställning. Månadens bokslut genomförs fortfarande, men det blir en granskning och ett godkännande, inte ett byggprojekt.

Vi använder denna modell på bokföringssidan. Vi klassificerar varje kunds huvudbok dagligen. Okategoriserade poster får finnas i högst 48 timmar. Avvikelser synliggörs samma vecka som de uppstår, inte sex veckor senare när någon tar fram månadsrapporten. Innan vi påbörjar ett QoE-uppdrag gör vi en hälsobedömning av QBO-filen för att identifiera brister i datakvaliteten. När vi utför transaktionsrådgivning stöder bokföringen redan arbetet.

Detta får en betydande följdeffekt. En CFO med en kontinuerlig och korrekt ekonomisk överblick kan ge råd i realtid. I dag ger de flesta CFO:er råd utifrån data som är flera veckor gammal och modeller som bygger på en stängd period, där fel kan ha korrigerats i efterhand. Det är inte ett CFO-problem; det är ett problem med systemdesignen.

Omdesignen kräver inte imponerande verktyg. Den kräver tre beslut: definiera en standard för klassificeringsfördröjning och håll teamet ansvarigt, införa en avstämningskontroll som körs efter varje synkronisering i stället för vid periodens slut samt flytta granskningen av avvikelser från en schemalagd till en utlösningsstyrd aktivitet. Alla ekonomiorganisationer kan fatta dessa process- och verktygsbeslut i dag.

Varför CFO:ns auktoritet förändras med AI-data i realtid

Frågan är: "Vad händer med CFO:ns auktoritet när data alltid är aktuell och alltid tillgänglig?"

Just nu väger en CFO:s omdöme tungt delvis eftersom de har ett sammanhang som andra i rummet saknar, uppbyggt genom att under lång tid leva sig in i siffrorna. När AI gör detta sammanhang tillgängligt för alla i realtid flyttas CFO:ns försprång helt och hållet till tolkning, kommunikation och ansvarstagande, och ledare som inte har genomgått den övergången kommer att märka hur rollen gradvis urholkas utan att förstå varför.

De CFO:er som kommer att vara viktigast om fem år är inte de som kan siffrorna bäst; det är de som kan förklara vad siffrorna betyder och stå bakom dem.

Fem råd till CFO:er

Jag har fem råd till ekonomiledare:

1. Börja med verifieringsarbete, inte bedömningsarbete. Det område med högst avkastning och lägst risk för att införa AI är arbete som i dag tar upp kvalificerade medarbetares tid enbart för att verifiera vad som är sant. Kassaavstämning, avvikelseanalys, transaktionstäckning, standardisering av kontoplanen. Det arbetet har ett rätt svar. AI når dit snabbare och mer fullständigt än en person. Börja där, bevisa värdet och bygg upp internt förtroende. Börja inte med prognoser eller strategisk berättelse för att sedan undra varför resultatet inte är tillräckligt bra.
2. Ordna dina data innan du köper verktyget. Ingen vill höra det här rådet eftersom det går långsamt och inte är särskilt glamoröst, men det är den begränsande faktorn. Jag har sett företag införa dyra plattformar ovanpå inkonsekvent kodförda bokföringsdata och sedan skylla på AI när resultatet är opålitligt. Verktyget är inte problemet. Om din huvudbok är en enda röra ska du ordna den först. Hävstångseffekten kommer senare.
3. Separera det som omfattas av ditt yrkesansvar från det som inte gör det, och var tydlig med detta inför ditt team. Den permanenta skiljelinjen inom ekonomi går inte mellan AI och människor. Den går vid ansvar. Alla resultat som bär ditt namn, ditt godkännande och din rekommendation till en styrelse eller långivare är dina. AI kan bygga analysen. Omdömet och ansvaret ligger hos dig. Den gränsen flyttas inte, och om du låter den suddas ut kommer du till slut att få bära ansvaret för ett misstag som verktyget gjorde.
4. Köp inte bara verktyg. Bygg ett system. Ett verktyg är en komponent. Det operativa lagret runt det skapar hävstång: styrlogiken, standardrutinerna, de utsedda ansvariga och överlämningarna. Jag har sett ekonomiteam med fantastiska verktyg men utan något system producera resultat som inte är bättre än tidigare. Systemet är det centrala.
5. AI hotar inte CFO-rollen. CFO:n som ignorerar AI riskerar att hamna efter den som inte gör det. Detta är inget hot, utan en iakttagelse om marknadsstrukturen. Om din kollega levererar en QoE på 10 dagar och du levererar den på fyra veckor kommer marknaden att visa dig vilken av er som representerar framtiden. Tidsfönstret för att bygga denna kompetens medan den fortfarande är en konkurrensfördel är kortare än de flesta tror.

Följ arbetet

Du kan följa Mitch Petraccas arbete på LinkedIn. Besök även Finsider.ai.

Fler expertintervjuer kommer på The CFO Club!